論文の概要: Expert-Like Reparameterization of Heterogeneous Pyramid Receptive Fields in Efficient CNNs for Fair Medical Image Classification

• arxiv url: http://arxiv.org/abs/2505.13039v1
• Date: Mon, 19 May 2025 12:23:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.585593
• Title: Expert-Like Reparameterization of Heterogeneous Pyramid Receptive Fields in Efficient CNNs for Fair Medical Image Classification
• Title（参考訳）: 医用画像の公平な分類のためのCNNにおける不均一ピラミッド受容領域のエキスパートライクなパラメータ化
• Authors: Xiao Wu, Xiaoqing Zhang, Zunjie Xiao, Lingxi Hu, Risa Higashita, Jiang Liu,
• Abstract要約: 我々は、不均一ピラミッド受容場(ERoHPRF)のエキスパートライクなReパラメータ化という新しい概念を開発する。 この概念は、よく設計された不均一なピラミッドRFバッグを適用することで、マルチエキスパートコンサルテーションモードを模倣することを目的としている。 本手法は, 医用画像の分類, 公平性, オーバーヘッドの観点から, 最先端手法よりも優れたトレードオフを維持している。
• 参考スコア（独自算出の注目度）: 7.217146953898145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient convolutional neural network (CNN) architecture designs have attracted growing research interests. However, they usually apply single receptive field (RF), small asymmetric RFs, or pyramid RFs to learn different feature representations, still encountering two significant challenges in medical image classification tasks: 1) They have limitations in capturing diverse lesion characteristics efficiently, e.g., tiny, coordination, small and salient, which have unique roles on results, especially imbalanced medical image classification. 2) The predictions generated by those CNNs are often unfair/biased, bringing a high risk by employing them to real-world medical diagnosis conditions. To tackle these issues, we develop a new concept, Expert-Like Reparameterization of Heterogeneous Pyramid Receptive Fields (ERoHPRF), to simultaneously boost medical image classification performance and fairness. This concept aims to mimic the multi-expert consultation mode by applying the well-designed heterogeneous pyramid RF bags to capture different lesion characteristics effectively via convolution operations with multiple heterogeneous kernel sizes. Additionally, ERoHPRF introduces an expert-like structural reparameterization technique to merge its parameters with the two-stage strategy, ensuring competitive computation cost and inference speed through comparisons to a single RF. To manifest the effectiveness and generalization ability of ERoHPRF, we incorporate it into mainstream efficient CNN architectures. The extensive experiments show that our method maintains a better trade-off than state-of-the-art methods in terms of medical image classification, fairness, and computation overhead. The codes of this paper will be released soon.
• Abstract（参考訳）: 効率的な畳み込みニューラルネットワーク(CNN)アーキテクチャの設計は研究の関心を集めている。 しかし、通常は、単一受容野(RF)、小さな非対称RF、ピラミッドRFを用いて異なる特徴表現を学習し、医用画像分類タスクにおいて2つの重要な課題に直面している。 1) 様々な病変の特徴,例えば,小,コーディネート,小,まとまりを効果的に捉え,その結果,特に不均衡な医用画像分類に特有の役割を担っている。 2)これらのCNNが生み出す予測は、しばしば不公平で偏りがあり、現実の診断条件に応用することで高いリスクをもたらす。 これらの課題に対処するため、医用画像分類性能と公平性を同時に向上させるため、異種ピラミッド受容場(ERoHPRF)のエキスパートライクなパラメータ化という新しい概念を開発した。 この概念は、よく設計された不均一なピラミッドRFバッグを用いて、複数の異種カーネルサイズを持つ畳み込み操作により、様々な病変特性を効果的に捉えることで、マルチエキスパートコンサルテーションモードを模倣することを目的としている。 さらに、ERoHPRFは、専門家のような構造的パラメータ化手法を導入し、パラメータを2段階の戦略とマージし、1つのRFと比較することで、競合計算コストと推論速度を確保する。 ERoHPRFの有効性と一般化能力を示すために,我々はそれを主流の効率的なCNNアーキテクチャに組み込む。 本手法は,医用画像の分類,公平性,計算オーバーヘッドの観点から,最先端手法よりも優れたトレードオフを維持していることを示す。 この論文のコードはまもなく公開される予定だ。

関連論文リスト

• Optimizing Transmit Field Inhomogeneity of Parallel RF Transmit Design in 7T MRI using Deep Learning [9.596613410358206]
  超高磁場(UHF)磁気共鳴イメージング(MRI)は信号対雑音比を高くし、空間分解能を高くする。 UHF MRIは、無線周波数(RF)磁場(B1+)の不均一性などの課題を導入し、不均一なフリップ角と画像強度異常をもたらす。 本研究では,新たな深層学習戦略を通じて,B1+フィールドの均一性を論じる。
  論文  参考訳（メタデータ） (2024-08-21T04:10:56Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• SF2Former: Amyotrophic Lateral Sclerosis Identification From Multi-center MRI Data Using Spatial and Frequency Fusion Transformer [3.408266725482757]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、運動ニューロン変性を伴う複雑な神経変性疾患である。 ディープラーニングは、コンピュータビジョンにおける機械学習プログラムの傑出したクラスになった。 本研究では、視覚変換器アーキテクチャのパワーを活用してALS対象と制御群を区別するフレームワークであるSF2Formerを紹介する。
  論文  参考訳（メタデータ） (2023-02-21T18:16:20Z)
• LMFLOSS: A Hybrid Loss For Imbalanced Medical Image Classification [2.4866930218890837]
  医用画像データセットにおけるクラス不均衡問題を軽減するために,Large Margin aware(LMF)損失という新しいフレームワークを提案する。 この枠組みは、マイノリティクラスに対してより広いマージンを課すことにより、両方の損失関数の明確な特性を利用する。 提案手法が他のベースライン法より一貫して優れていることを示す実証的証拠を提供する。
  論文  参考訳（メタデータ） (2022-12-24T14:19:44Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Gastric histopathology image segmentation using a hierarchical conditional random field [16.920864110707747]
  新たな条件付ランダムフィールド(HCRF)に基づく胃組織像(GHIS)法を提案する。 HCRFモデルは高いセグメンテーション性能を示し、GHIS分野におけるその有効性と将来の可能性を示す。
  論文  参考訳（メタデータ） (2020-03-03T02:44:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。